一句话总结
别问 AI”我该收多少钱”——它拿不到你的毛利和转化数据，只会瞎猜。正确用法是让它产出 3 个不同的定价形态（不是 3 个数字），把每个形态对着一个细分人群压力测试，再给你每个形态配一个一周内能跑完的实验。形态决策（按席位 / 按用量 / 混合 / 按结果）比具体金额重要得多：截至 2026 年 6 月，纯按席位定价已降到 SaaS 公司的约 15%，而”基础费 + 用量”的混合模式预计到年底将达到约 61%。本文给你该喂什么给模型、一段可直接复制的 Prompt，以及在任何价格上线前如何验证它的输出。
任务场景
你处在上线前，或正在考虑调价，定价说不清楚。可选方案有十几种：免费 + 付费、Freemium + Premium、按席位、按用量、按价值打包、按结果。“形态错了”比”数字错了”代价大得多。这里的目标不是猜一个价，而是产出 3 个互斥的假设，每个都配一个一周内能跑完的验证实验。
适合上线前的 SaaS 创始人、纠结订阅还是买断的独立开发者、要加新档的产品团队。
2026 年的定价形态全景（用来约束 AI）
定价”形态”是模型该最先推理的结构性决策。下面是截至 2026 年 6 月的市场现状，免得你或 AI 锚定在过时的默认值（比如”大家都按席位收费”）上。
| 形态 | 按什么收费 | 2026 年现状 | 最适合 |
|---|---|---|---|
| 按席位 | 每个命名用户 | 下滑中——约 12 个月内从 21% 降到 15% | 每用户价值清晰的协作类工具 |
| 按用量 | 消耗的单位（API 调用、GB、运行次数） | 约 77% 的头部软件公司已含用量组件 | 单客户成本波动大的产品（尤其 AI） |
| 混合（基础费 + 用量） | 固定下限 + 超量浮动 | 赢家——目前约 43% 的 SaaS，预计 2026 年底约 61% | 既要可预测又要上行空间的现代 SaaS |
| 按结果 | 只对成功结果收费 | 新兴前沿，如 AI 客服按”已解决工单”计费 | 价值可量化的 AI 智能体 |
这对你的 Prompt 有两点意义：（1）用较旧数据训练的模型倾向于默认按席位，而这恰恰是 2026 年在萎缩的选项；（2）如果你的单客户成本波动很大（任何重度依赖大模型推理的产品），固定收费会悄悄在重度用户身上亏钱，所以模型至少应该提出一个按用量或混合的假设。
哪些情况适合让 AI 来做
适合做结构化这一步：给定产品、受众、支付意愿信号，一个有水平的模型（截至 2026 年 6 月的 GPT-5.5、Claude Opus 4.7 或 Gemini 3.1 Pro）能产出不同的定价形态，并推理每种形态最适合哪个细分。Opus 4.7、Sonnet 4.6 和 Gemini 3.1 Pro 都有 100 万 token 上下文，你可以把完整的竞品定价页和原始客户访谈记录整段贴进去，让模型自己找出打包的边界。
它也擅长压力测试：贴上你现在的假设，问”最可能的单一失败模式是什么？第一周里什么早期信号会暴露它？“
什么时候不要完全依赖 AI
AI 不知道你的真实转化数据、单客户服务成本、毛利现实。定价的算术必须你自己用真实数字做，不能靠模型的假设。每个建议价格都要对照毛利下限手动验算一遍。
强监管行业（保险、医疗、信贷）有合规价格要求，不要纯交给 AI。
需要先给 AI 的信息
- 产品：是什么，以及核心价值单位（一个项目、一个席位、一次 API 调用、一个已解决工单、节省 1 小时）
- 受众：具体细分 + 购买动作（自服务 vs. 销售驱动）
- 支付意愿信号：5–10 个目标客户说他们愿意付多少，最好带原话——理想情况下用结构化方法采集，比如 Van Westendorp 价格敏感度测量（四个问题会收敛出一个可接受价格区间）
- 竞品定价：3–5 个最近竞品，标注形态而不只是价格
- 约束：毛利下限、计费系统（Stripe 境内约 2.9% + 30¢ vs. Paddle 作为记录商户约 5% + 50¢，会改变你的下限）、地区
- 一件你确定的事 + 一件你不确定的事
后两项能避免模型偷懒给标准答案。
可直接复制的 Prompt
把每个 [方括号] 占位符换成你的真实输入，再贴进你选的模型。
你是定价策略师。请为下方产品产出 3 个互斥的定价假设。
每个必须用不同的定价形态（如按席位、按用量、基础费+用量混合、按结果），
而不是同一形态换三组数字。
产品：[是什么 + 核心价值单位]
受众：[细分 + 购买动作：自服务还是销售驱动]
WTP 信号：[5-10 个带数字的客户原话]
竞品定价（含形态）：[竞品清单]
约束：[毛利下限]、[计费系统]、[地区/币种]
确定：[我确定的那一件事]
不确定：[我不确定的那一件事]
每个假设输出：
- 一句话定价形态总结
- 套餐结构：分层、每层内容、锚点价 + 币种
- 目标细分 + 这种形态解决他们的什么 JTBD
- 选这种形态的理由（1 段，能反共识就反）
- 关键风险：什么情况下会失败
- 第一周要监控的领先指标
- 1 周内可执行的验证实验（谁、怎么做、量什么）
刻意保留其中一个为反共识假设。
最后给出"先测哪个 + 为什么"，并为每个假设补一句
"即使失败也能学到什么"。价格上线前如何验证输出
模型输出只是起点假设，永远不是决定。把每个建议过一遍这份清单：
- 毛利核查——每个价格对照毛利下限手动验算，把支付通道费算进去。能过 Stripe 约 2.9% + 30¢ 的价，未必能过 Paddle 约 5% + 50¢。
- 可触达核查——确认每个假设对应一个你本月真能接触到的细分。没有企业销售渠道，就别接受”企业 CIO”。
- 一周实验——每个验证实验都要能在一周内、不动开发跑完。“假门”定价页（价格真实展示，点击后进等待名单而非真扣款）是最快的无代码方案。
- 真实对话——把 3 个假设都放进 10 次真实客户对话里。对话数据胜过任何模型输出。
始终保留其中一个反共识假设——通常是团队没人喜欢的那个，最大信号往往就在那。衡量实验是否值得做的标尺是那句”即使失败也能学到什么”：如果你填不出来，说明这个实验还没设计好。
别忘了价格本地化
如果你卖向海外，单一美元价会白白损失转化。用当地货币展示价格平均能把转化率提升约 25%；按购买力平价（PPP）定价——例如一个 50 美元的美国套餐在印度定到接近 14 美元——在中低收入市场往往带来明显更高的转化。如果你的受众是全球的，就把”是否应该有一个假设包含本地化/PPP 档位？“作为明确问题抛给模型。Stripe 和 Paddle 都原生支持地区与多币种定价，所以这是配置决策，不是开发任务。
容易踩的坑
- 把定价当成一个数字——形态比金额重要
- 没有验证实验，只是”上线后看看 dashboard”
- 因为模型建议就默认按席位（这恰恰是 2026 年在萎缩的模型）
- 照抄竞品价格，却忽略自己的单位成本和通道费
- 免费档太慷慨没人付费，或太抠门没人注册
- 跳过反共识假设（最让你意外的那个）
下一步怎么改得更好
定价上线 30 天后，把真实数据连同你学到的一起回贴给模型，让它产”下一轮 3 个值得测的假设”。定价是一连串实验，不是一次性决定。只有当同一个假设在两个细分、约 60 天里都赢，才把它定下来——然后每年复盘一次。
FAQ
同时上线几个定价假设合适？ 最多 2 个。超过 2 个会分散流量、把信号搅浑。用 AI 生成 3 个，再挑最强的 2 个真测（保留一个反共识）。
用哪个 AI 模型最好？ 截至 2026 年 6 月，任何前沿模型都能胜任这种推理。GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro 都有 100 万 token 上下文，所以实际优势在于能整段贴入完整竞品页和访谈记录，而不是摘要。用同一段 Prompt 在两个模型上跑，对比它们分歧的地方——分歧点正是你风险最高的假设。
怎么采集真实的支付意愿数字喂进去？ 一份结构化的 Van Westendorp 问卷（四个问题：太便宜、划算、开始变贵、太贵）会收敛出一个可接受价格区间。为统计置信度，每个细分争取 100+ 份回答；做早期验证时，10 次真实对话胜过一份单薄的问卷。
折扣要不要放进假设里？ 不要——别把折扣烤进基础价。先测基础价，再把折扣当成单独实验跑，这样每个信号才读得清楚。
什么时候才算把价格定下来？ 当同一个假设在两个不同细分、约 60 天里都赢的时候。然后视为定案，每年复盘一次；如果单位成本变了（AI 重度产品常见），就提前复盘。
相关阅读
复用本文结构可参考 定价假设 Prompt，让定价和信息对齐用 产品定位 Prompt，先验证 idea 本身值不值得定价用 创业想法评估 Prompt。想看权威的定价模型背景，可读 Bessemer 的 AI 定价与变现手册 和 Paddle 的 SaaS 定价模型指南。